CN117995417A - 基于机器学习的ivf/icsi预处理方案优化系统 - Google Patents
基于机器学习的ivf/icsi预处理方案优化系统 Download PDFInfo
- Publication number
- CN117995417A CN117995417A CN202410096525.3A CN202410096525A CN117995417A CN 117995417 A CN117995417 A CN 117995417A CN 202410096525 A CN202410096525 A CN 202410096525A CN 117995417 A CN117995417 A CN 117995417A
- Authority
- CN
- China
- Prior art keywords
- embryo
- image data
- data
- liveness
- ivf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 35
- 238000007781 pre-processing Methods 0.000 title claims abstract description 9
- 210000001161 mammalian embryo Anatomy 0.000 claims abstract description 592
- 230000000694 effects Effects 0.000 claims abstract description 114
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 230000006870 function Effects 0.000 claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 48
- 238000005457 optimization Methods 0.000 claims description 46
- 238000005516 engineering process Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 26
- 238000007405 data analysis Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 11
- 230000010355 oscillation Effects 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 description 42
- 210000002257 embryonic structure Anatomy 0.000 description 40
- 230000000875 corresponding effect Effects 0.000 description 31
- 230000008569 process Effects 0.000 description 29
- 230000013020 embryo development Effects 0.000 description 16
- 238000011161 development Methods 0.000 description 12
- 230000018109 developmental process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000002513 implantation Methods 0.000 description 9
- 238000010200 validation analysis Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 7
- 230000004720 fertilization Effects 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000035899 viability Effects 0.000 description 2
- 102000002322 Egg Proteins Human genes 0.000 description 1
- 108010000912 Egg Proteins Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000000520 microinjection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000004681 ovum Anatomy 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及机器学习技术领域，尤其涉及一种基于机器学习的IVF/ICSI预处理方案优化系统。所述系统的模块包括以下功能：对胚胎图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据；对历史胚胎图像数据进行活跃程度聚类分析，生成历史聚类胚胎图像数据；基于卷积神经网络算法以及历史聚类胚胎图像数据建立优化活跃程度预测模型；将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成胚胎活跃程度数据；根据胚胎活跃程度数据对有效胚胎图像数据进行IVF/ICSI优选胚胎图像标记，生成IVF/ICSI优选胚胎图像数据。本发明通过自动化地对胚胎进行精准选取，优化了IVF/ICSI预处理方案。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及一种基于机器学习的IVF/ICSI预处理方案优化系统。
背景技术
IVF和ICSI是辅助生殖技术中常用的两种技术。IVF，即体外受精，是将卵子取出体外并与精子在实验室环境中结合，以促进受精。ICSI，即单精子微注射，是直接将单个精子注射入卵子内以促进受精。机器学习，作为人工智能的一个分支，是通过算法和统计模型使计算机系统能够从数据中学习并作出决策或预测。在医疗领域，尤其是在辅助生殖技术中，机器学习的应用分析大量的医疗数据，帮助医生和研究人员更准确地预测治疗方案的成效，进而优化治疗过程。IVF/ICSI预处理方案是对还未植入的胚胎进行处理，以筛选出更加优好的胚胎。然而，传统的IVF/ICSI预处理方案对于胚胎的选择往往依赖于专业人员的经验和肉眼观察，主观性较强，且受限于观察者的经验和技术水平，胚胎选择的准确性和一致性可能受到影响。
发明内容
基于此，本发明提供一种基于机器学习的IVF/ICSI预处理方案优化系统，以解决至少一个上述技术问题。
为实现上述目的，一种基于机器学习的IVF/ICSI预处理方案优化系统，包括：
胚胎图像数据采集模块，用于获取IVF/ICSI技术的胚胎图像数据；对胚胎图像数据进行图像特征分析处理，生成胚胎特征图像数据；对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据；
历史数据分析模块，用于获取历史胚胎图像数据；对历史胚胎图像数据进行活跃程度聚类分析，生成历史聚类胚胎图像数据；
预测模型建立模块，用于基于卷积神经网络算法以及历史聚类胚胎图像数据进行胚胎活跃程度的数学关系模型建立，生成优化活跃程度预测模型；
胚胎活跃程度分析模块，用于将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成胚胎活跃程度数据；根据胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据；
IVF/ICSI优选胚胎标记模块，用于根据胚胎活跃程度得分数据对有效胚胎图像数据进行IVF/ICSI技术的优选胚胎图像标记，生成IVF/ICSI优选胚胎图像数据。
本发明通过胚胎图像数据采集模块获取IVF/ICSI技术中的胚胎图像数据，并对这些数据进行深入的图像特征分析处理。通过自动化的图像分析和特征提取，大大减少了人工操作的需要，提高了数据处理的效率和一致性；通过精确的异常检测，提高了胚胎选择的准确性，从而可能增加IVF/ICSI的成功率；高质量的胚胎图像数据为后续的预测模型建立和胚胎评分提供了可靠的基础，进一步增强了整个系统的性能。通过历史数据分析模块更好地理解哪些胚胎特征与成功植入率高低相关，提高选择最佳胚胎的准确率。这些历史数据为构建和训练更加精确的机器学习模型提供了宝贵的输入，这些模型随后可用于评估新的胚胎图像。在预测模型建立模块中，利用CNN算法，这个模块能够有效地处理和分析复杂的图像数据，自动提取胚胎图像的重要特征，对于准确预测胚胎的活跃程度至关重要。通过结合历史聚类胚胎图像数据，这个模型不仅能够基于当前的图像数据做出预测，而且还能够从过去的案例中学习，提高其预测的准确性和可靠性，更加科学和客观地选择最有可能成功植入的胚胎，从而提高整个IVF/ICSI过程的成功率。通过精确计算胚胎的活跃程度得分，该模块提供了一个量化的、客观的评估标准，帮助从多个备选胚胎中挑选出适合的胚胎，提高了胚胎选择的准确性。这个自动化的分析流程大幅提高了处理速度和效率，尤其是在面对大量胚胎图像数据时，能够快速且准确地完成分析任务。通过IVF/ICSI优选胚胎标记模块对胚胎活跃程度进行量化评分，并基于这些得分进行标记，该模块提供了一个客观、科学的参考标准，帮助在众多胚胎中快速识别出最有可能成功植入的候选胚胎。
优选地，所述胚胎图像数据采集模块包括以下功能：
获取IVF/ICSI技术的胚胎图像数据；
为胚胎图像数据添加时间戳，以获得时序胚胎图像数据；
将时序胚胎图像数据进行灰度图像转换，生成胚胎灰度图像数据；
根据Canny边缘检测技术对胚胎灰度图像数据进行轮廓灰度值分析，生成轮廓灰度值数据；
根据轮廓灰度值数据对胚胎灰度图像数据进行图像特征提取，生成胚胎特征图像数据；
根据胚胎图像异常检测算法对胚胎特征图像数据进行异常得分计算，生成异常得分数据；
根据异常得分数据对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据。
本发明从IVF/ICSI过程中收集胚胎图像，以便于进一步的处理和分析。通过标记每张胚胎图像的拍摄时间，为数据提供时间上的上下文信息，有助于分析胚胎发育过程中的动态变化。将彩色图像转换为灰度图像，减少处理的复杂性，同时便于更清晰地识别和分析图像中的纹理和边缘信息。利用Canny算法进行边缘检测，准确地识别出胚胎图像中的轮廓。基于边缘检测结果，提取胚胎的关键特征，如形状、大小和轮廓细节，降低数据维度，提高数据分析的准确性。运用特定的异常检测算法来评估胚胎图像的正常性与否，为每个图像分配一个异常得分，从而识别潜在的问题胚胎。基于异常得分，筛选出正常的胚胎图像，排除那些可能影响IVF/ICSI成功率的异常胚胎，确保最终的图像数据集只包含健康且发育良好的胚胎。
优选地，所述胚胎图像异常检测算法如下所示：
式中，P表示为胚胎特征图像数据对应的异常得分数据，N表示为不同周期下的胚胎特征图像，αi表示为第i个周期的周期权重信息，β表示为对称性偏差权重信息，e表示为自然常数，γi表示为第i个周期的胚胎振荡频率，t表示为周期长度，ωi表示为第i个周期的胚胎角频率偏差，φi表示为第i个周期的胚胎初始相位偏差，δ表示为形状偏差权重信息，Li表示为第i个周期的胚胎曲线长度，x表示为胚胎曲线长度对应的积分变量。
本发明利用胚胎图像异常检测算法对胚胎特征图像的对称性性、大小以及完整性等进行胚胎异常检测。该函数关系式能够处理不同周期下的胚胎特征图像数量，以提高对胚胎异常检测的全面性；αi反映了每个周期的重要性权重，如最新的周期权重相对更高；β用于考虑胚胎图像的对称性特征的重要性，δ用于考虑胚胎图像的形状特征的重要性，通过设定的权重均衡对称性以及形状的重要性；γi反映了胚胎图像在该第i个周期内的振荡频率；t用于描述胚胎图像的时间周期，如一小时；ωi反映了胚胎图像在该第i个周期内的角频率偏差，如与标准化比对样本的胚胎图像的角频率进行差值计算得出；φi反映了第i个周期的胚胎图像与对应的标准化比对样本的胚胎图像的初始相位偏差；Li反映了第i个周期的胚胎图像曲线的长度特征；x反映了胚胎曲线长度对应的积分变量，用于计算曲线的长度。反映了第i个周期的胚胎图像与对应的标准化比对样本的胚胎图像的对称性差异，通过将振荡函数与对称性偏差权重相乘，算法考虑了图像中的对称性特征，用于考虑胚胎图像的形状特征差异，如过大或过小可能造成异常数值更大，综合考虑了不同周期的胚胎特征图像的对称性和形状特征，通过权重加权振荡函数和积分项，能够精确地评估每个周期的异常得分，以此计算出能够评估胚胎图像是否存在异常的状况以得到胚胎特征图像数据对应的异常得分数据。
优选地，执行所述根据胚胎异常得分数据对胚胎特征图像数据进行异常胚胎图像剔除时，包括：
当异常得分数据大于预设的异常得分阈值时，则将异常得分数据对应的胚胎特征图像数据进行剔除；或者，当异常得分数据不大于预设的异常得分阈值时，则将异常得分数据对应的胚胎特征图像数据标记为有效胚胎图像数据。
本发明设定一个异常得分阈值。这个阈值是根据历史数据、专家知识或通过数据分析得出的，用于区分正常和异常的胚胎图像。当某个胚胎图像的异常得分超过了预设的阈值时，该图像被识别为异常胚胎图像，根据这个判断标准，系统会自动将这些图像从数据集中剔除，确保后续分析的准确性。与此同时，当胚胎图像的异常得分低于或等于预设阈值时，这表明该胚胎图像属于正常范围，因此被标记为有效胚胎图像数据，并保留在数据集中。
优选地，所述历史数据分析模块包括以下功能：
获取历史胚胎图像数据；
对历史胚胎图像数据进行灰度值转换，生成历史胚胎灰度图像数据；
对历史胚胎灰度图像数据进行灰度值变化数据分析，生成历史图像灰度值变化数据；
根据历史图像灰度值变化数据对历史胚胎灰度图像数据进行聚类分析，生成初始历史聚类胚胎图像数据；
根据预设的活跃程度标签对初始历史聚类胚胎图像数据进行活跃程度聚类标识，生成历史聚类胚胎图像数据。
本发明从IVF/ICSI过程的历史记录中收集胚胎图像数据，提供了对实时数据进行分析及预测的数据基础。将收集到的历史胚胎图像数据转换为灰度图像，简化了图像的复杂性，使得后续的分析更加专注于图像的灰度变化，这对于识别胚胎发育的关键特征非常重要。分析胚胎灰度图像数据中的灰度值变化，生成历史图像灰度值变化数据，能够揭示胚胎图像随时间的变化规律，对于理解胚胎发育过程至关重要。基于灰度值变化数据，对历史胚胎灰度图像数据进行聚类分析，通过识别相似的发育模式，将胚胎图像分为不同的类别或群组。根据预设的活跃程度标签对初始历史聚类胚胎图像数据进行再次分类和标识，以便更准确地识别和标记高活跃度和低活跃度的胚胎。
优选地，所述预测模型建立模块包括以下功能：
基于卷积神经网络算法建立胚胎图像活跃程度预测的映射关系，生成初始活跃程度预测模型；
将历史聚类胚胎图像数据的图像数据作为输入数据以及历史聚类胚胎图像数据的活跃程度标签作为输出数据设计模型训练样本；
将模型训练样本传输至初始活跃程度预测模型进行模型训练，生成活跃程度预测模型；
利用随机梯度算法对活跃程度预测模型的损失函数进行模型的优化超参数分析，生成优化超参数；
根据优化超参数对活跃程度预测模型进行模型超参数优化调节，生成优化活跃程度预测模型。
本发明利用卷积神经网络(CNN)算法根据历史聚类胚胎图像数据构建胚胎活跃程度的映射关系，提供能够从图像特征预测胚胎活跃程度的模型的基础，CNN在处理图像数据方面表现出色，特别适合于识别和学习图像中的复杂模式和特征。将历史聚类胚胎图像数据的图像作为输入，活跃程度标签作为输出，设计模型训练样本，确保了模型训练过程中使用的数据既具有代表性又与实际应用场景紧密相关，并且提供了数据预测方向的依据。使用设计好的训练样本对初始活跃程度预测模型进行训练，通过调整模型参数，使模型能够准确地从图像数据预测胚胎的活跃程度。应用随机梯度下降算法优化模型的损失函数，进行超参数分析，通过优化算法调整模型，以减少预测误差，提高模型的准确性和泛化能力。根据优化得到的超参数对活跃程度预测模型进行进一步的调整和优化，确保模型在实际应用中能够达到最佳的预测性能。
优选地，所述胚胎活跃程度分析模块包括以下功能：
将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成初始胚胎活跃程度数据；
对初始胚胎活跃程度数据进行归一化处理，生成胚胎活跃程度数据；
根据预设的时序性权重数据对不同时间戳下的胚胎活跃程度数据进行权重分配，生成加权胚胎活跃程度数据；
根据加权胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据。
本发明将筛选后的有效胚胎图像数据输入到胚胎活跃分析模型进行活跃程度的分析，模型根据图像的特征，如纹理、形状等，预测胚胎的活跃程度，生成初始的胚胎活跃程度数据。对初始胚胎活跃程度数据进行归一化处理，以确保数据在相同的尺度上，方便后续的分析和比较。根据预设的时序性权重数据对不同时间戳下的胚胎活跃程度数据进行权重分配，考虑了胚胎发育过程中不同时间点的重要性，从而更准确地反映胚胎的整体活跃程度。基于加权处理后的胚胎活跃程度数据进行综合得分的计算，对每个胚胎发育潜力的量化评估，可用于辅助选择最佳胚胎。
优选地，所述IVF/ICSI优选胚胎标记模块在执行所述根据胚胎活跃程度得分数据对有效胚胎图像数据进行IVF/ICSI技术的优选胚胎图像标记时，包括：
当胚胎活跃程度得分数据不小于预设的活跃程度阈值时，则将胚胎活跃程度得分数据对应的有效胚胎图像数据标记为IVF/ICSI优选胚胎图像数据；或者，当胚胎活跃程度得分数据小于预设的活跃程度阈值时，则将胚胎活跃程度得分数据对应的有效胚胎图像数据进行剔除。
本发明设定一个活跃程度得分的阈值。这个阈值是根据临床经验、历史数据分析或其他相关研究确定的，用于区分高活跃程度和低活跃程度的胚胎。当某个胚胎的活跃程度得分不小于预设阈值时，该胚胎被认为是活跃且发育潜力较高的，因此其对应的有效胚胎图像数据被标记为IVF/ICSI的优选胚胎，确保了选择的胚胎具有较高的成功植入潜力。相反，当胚胎的活跃程度得分低于预设的阈值时，表明该胚胎的活跃程度较低，其成功植入的可能性相对较小，这些胚胎的图像数据将被从优选列表中剔除。
本说明书中提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述中所述的基于机器学习的IVF/ICSI预处理方案优化系统。
本说明书中提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述中所述的基于机器学习的IVF/ICSI预处理方案优化系统。
本申请有益效果在于，本发明的基于机器学习的IVF/ICSI预处理方案优化系统通过自动化图像分析和机器学习模型，可以更客观、准确地评估胚胎的质量，降低胚胎选取到主观性。并且，通过对胚胎图像数据进行异常检测和活跃度分析，从而提高整个IVF/ICSI过程的成功率。此外，通过模型的学习与优化，这种技术可以随着时间和更多数据的积累而不断进步，进一步提高胚胎筛选的精度，保障胚胎选择的准确性和一致性。
附图说明
图1为本发明一种基于机器学习的IVF/ICSI预处理方案优化系统的示意图；
图2为图1中胚胎图像数据采集模块的功能流程示意图；
图3为图1中历史数据分析模块的功能流程示意图；
图4为图1中预测模型建立模块的功能流程示意图；
图5为图1中胚胎活跃程度分析模块的功能流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图5，本发明提供一基于机器学习的IVF/ICSI预处理方案优化系统，包括：
胚胎图像数据采集模块，用于获取IVF/ICSI技术的胚胎图像数据；对胚胎图像数据进行图像特征分析处理，生成胚胎特征图像数据；对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据；
历史数据分析模块，用于获取历史胚胎图像数据；对历史胚胎图像数据进行活跃程度聚类分析，生成历史聚类胚胎图像数据；
预测模型建立模块，用于基于卷积神经网络算法以及历史聚类胚胎图像数据进行胚胎活跃程度的数学关系模型建立，生成优化活跃程度预测模型；
胚胎活跃程度分析模块，用于将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成胚胎活跃程度数据；根据胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据；
IVF/ICSI优选胚胎标记模块，用于根据胚胎活跃程度得分数据对有效胚胎图像数据进行IVF/ICSI技术的优选胚胎图像标记，生成IVF/ICSI优选胚胎图像数据。
本发明通过胚胎图像数据采集模块获取IVF/ICSI技术中的胚胎图像数据，并对这些数据进行深入的图像特征分析处理。通过自动化的图像分析和特征提取，大大减少了人工操作的需要，提高了数据处理的效率和一致性；通过精确的异常检测，提高了胚胎选择的准确性，从而可能增加IVF/ICSI的成功率；高质量的胚胎图像数据为后续的预测模型建立和胚胎评分提供了可靠的基础，进一步增强了整个系统的性能。通过历史数据分析模块更好地理解哪些胚胎特征与成功植入率高低相关，提高选择最佳胚胎的准确率。这些历史数据为构建和训练更加精确的机器学习模型提供了宝贵的输入，这些模型随后可用于评估新的胚胎图像。在预测模型建立模块中，利用CNN算法，这个模块能够有效地处理和分析复杂的图像数据，自动提取胚胎图像的重要特征，对于准确预测胚胎的活跃程度至关重要。通过结合历史聚类胚胎图像数据，这个模型不仅能够基于当前的图像数据做出预测，而且还能够从过去的案例中学习，提高其预测的准确性和可靠性，更加科学和客观地选择最有可能成功植入的胚胎，从而提高整个IVF/ICSI过程的成功率。通过精确计算胚胎的活跃程度得分，该模块提供了一个量化的、客观的评估标准，帮助从多个备选胚胎中挑选出适合的胚胎，提高了胚胎选择的准确性。这个自动化的分析流程大幅提高了处理速度和效率，尤其是在面对大量胚胎图像数据时，能够快速且准确地完成分析任务。通过IVF/ICSI优选胚胎标记模块对胚胎活跃程度进行量化评分，并基于这些得分进行标记，该模块提供了一个客观、科学的参考标准，帮助在众多胚胎中快速识别出最有可能成功植入的候选胚胎。
本发明实施例中，参考图1所述，为本发明一种于机器学习的IVF/ICSI预处理方案优化系统的示意图，在本实施例中，所述于机器学习的IVF/ICSI预处理方案优化系统包括：
胚胎图像数据采集模块，用于获取IVF/ICSI技术的胚胎图像数据；对胚胎图像数据进行图像特征分析处理，生成胚胎特征图像数据；对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据；
本发明实施例中，使用高分辨率显微摄像机在不同发育阶段拍摄胚胎图像，以获取IVF/ICSI技术的胚胎图像数据；使用图像处理软件(如OpenCV或MATLAB中的图像处理工具箱)进行图像特征分析，包括调整图像对比度、锐化边缘、并应用滤波器去除噪声，使用图像分割技术识别出胚胎和背景，以及胚胎内部的关键结构。基于已知的健康和异常胚胎的图像进行胚胎异常图像识别，使其能够识别出形态不规则、大小异常或其他异常特征的胚胎图像。将待分析的胚胎图像输入模型，根据模型的判断剔除被识别为异常的胚胎图像，保留正常的胚胎图像作为有效数据。
历史数据分析模块，用于获取历史胚胎图像数据；对历史胚胎图像数据进行活跃程度聚类分析，生成历史聚类胚胎图像数据；
本发明实施例中，与多个IVF/ICS技术相关的医疗中心合作，收集过去几年中不同发育阶段的胚胎图像数据。这些数据可能包括不同品质的胚胎，从优质到低质，以及不同胚胎发育日的图像，从而获取历史胚胎图像数据。例如，可以收集从受精后第一天到第五天的胚胎图像，每个胚胎可能有多个图像代表不同的时间点。使用图像处理软件处理这些历史图像，进行如亮度和对比度的调整，以及应用高通滤波器以突出胚胎的边缘和纹理。然后，提取每张图像的关键特征，如胚胎轮廓的清晰度、大小、对称性等，可以使用特定的图像处理算法(如Sobel边缘检测)来提取这些特征。利用机器学习算法，如K-means聚类，对历史胚胎图像数据进行活跃程度聚类分析。例如，可以根据胚胎的形态特征和发育速度将其分为多个类别，比如“高活跃”、“中等活跃”和“低活跃”，借助Python中的scikit-learn库来实现。根据聚类结果，生成历史聚类胚胎图像数据，其中每个聚类代表一组具有相似活跃程度特征的胚胎。
预测模型建立模块，用于基于卷积神经网络算法以及历史聚类胚胎图像数据进行胚胎活跃程度的数学关系模型建立，生成优化活跃程度预测模型；
本发明实施例中，选择一个适合图像识别的CNN架构，如LeNet或AlexNet。配置网络参数，例如，可以设置多个卷积层以提取胚胎图像的不同特征，每层使用ReLU激活函数，以及在卷积层之后使用池化层来减少计算量。例如，可以设置一个具有3个卷积层的网络，每个卷积层后跟着一个最大池化层，最后是几个全连接层。从历史数据分析模块中获取已分类的胚胎图像数据。这些数据已经根据活跃程度分为不同的类别，如“高活跃”、“中等活跃”和“低活跃”。对这些图像进行预处理，如调整大小以符合CNN输入的需求，归一化图像的像素值，等等。使用历史聚类胚胎图像数据作为训练数据。例如，可以使用一个包含数千张标记好的胚胎图像的数据集。将数据分为训练集和验证集，使用训练集对模型进行训练，而验证集用于评估模型的准确性，采用交叉熵作为损失函数，并使用如随机梯度下降算法的优化器来优化网络权重。在训练过程中，监控模型在验证集上的性能，调整如学习率、批量大小等超参数以优化模型性能。一旦模型在验证集上达到满意的准确率，即可停止训练，以生成优化活跃程度预测模型。
胚胎活跃程度分析模块，用于将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成胚胎活跃程度数据；根据胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据；
本发明实施例中，从胚胎图像数据采集模块中获取筛选出的有效胚胎图像数据。这些数据已通过预处理和异常胚胎剔除步骤，确保图像质量和胚胎的有效性。然后，将这些图像数据输入到之前训练好的胚胎活跃度分析模型中，该模型可以是基于卷积神经网络(CNN)的深度学习模型，专门训练用于分析和预测胚胎的活跃程度。模型会处理每张胚胎图像，并输出一个活跃程度数据。例如，可以设计模型输出一个介于0到1之间的数值数据，数值越高表示胚胎的活跃程度越高，通过分析胚胎图像的特征，如形状、大小、纹理等得出的。进一步对这些数据进行处理，如归一化处理，确保得分在合理的范围内，可以应用一个加权算法来计算最终的胚胎活跃程度得分，根据胚胎在不同发育阶段的重要性给予不同的权重，得出一个综合考虑各阶段信息的总得分，生成胚胎活跃程度得分数据。
IVF/ICSI优选胚胎标记模块，用于根据胚胎活跃程度得分数据对有效胚胎图像数据进行IVF/ICSI技术的优选胚胎图像标记，生成IVF/ICSI优选胚胎图像数据。
本发明实施例中，根据历史数据和临床经验，设定一个活跃程度得分的阈值，用于区分优选胚胎和非优选胚胎。例如，假设根据以往成功植入的胚胎数据，确定得分阈值为0.7(在0到1的范围内)。这意味着，得分高于或等于0.7的胚胎将被视为具有较高的活跃程度和植入潜力。使用从胚胎活跃程度分析模块获取的胚胎活跃程度得分数据来评估每个有效胚胎图像。例如，如果某个胚胎图像的得分是0.8，超过了设定的阈值，那么这个胚胎图像就被标记为优选胚胎。为每个得分超过阈值的胚胎图像添加优选标记。这可以通过在图像数据库中添加一个标签或将图像移动到专门的“优选”文件夹来实现。将所有被标记为优选的胚胎图像编译成一个数据集，这些就是IVF/ICSI过程中推荐使用的胚胎，这些数据集可以直接提供给医生或用于进一步的分析和研究。
优选地，所述胚胎图像数据采集模块包括以下功能：
获取IVF/ICSI技术的胚胎图像数据；
为胚胎图像数据添加时间戳，以获得时序胚胎图像数据；
将时序胚胎图像数据进行灰度图像转换，生成胚胎灰度图像数据；
根据Canny边缘检测技术对胚胎灰度图像数据进行轮廓灰度值分析，生成轮廓灰度值数据；
根据轮廓灰度值数据对胚胎灰度图像数据进行图像特征提取，生成胚胎特征图像数据；
根据胚胎图像异常检测算法对胚胎特征图像数据进行异常得分计算，生成异常得分数据；
根据异常得分数据对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据。
本发明从IVF/ICSI过程中收集胚胎图像，以便于进一步的处理和分析。通过标记每张胚胎图像的拍摄时间，为数据提供时间上的上下文信息，有助于分析胚胎发育过程中的动态变化。将彩色图像转换为灰度图像，减少处理的复杂性，同时便于更清晰地识别和分析图像中的纹理和边缘信息。利用Canny算法进行边缘检测，准确地识别出胚胎图像中的轮廓。基于边缘检测结果，提取胚胎的关键特征，如形状、大小和轮廓细节，降低数据维度，提高数据分析的准确性。运用特定的异常检测算法来评估胚胎图像的正常性与否，为每个图像分配一个异常得分，从而识别潜在的问题胚胎。基于异常得分，筛选出正常的胚胎图像，排除那些可能影响IVF/ICSI成功率的异常胚胎，确保最终的图像数据集只包含健康且发育良好的胚胎。
作为本发明的一个实例，参考图2所示，为图1中胚胎图像数据采集模块的功能流程示意图，在本实例中所述胚胎图像数据采集模块的功能包括：
S201：获取IVF/ICSI技术的胚胎图像数据；
本发明实施例中，使用专用显微摄像设备在不同胚胎发育阶段拍摄高分辨率胚胎图像。例如，可以在受精后的第1、2、3、5天获取图像，确保每个关键发育阶段都被覆盖，以获取IVF/ICSI技术的胚胎图像数据。
S202：为胚胎图像数据添加时间戳，以获得时序胚胎图像数据；
本发明实施例中，在每张胚胎图像上添加时间戳，记录拍摄的确切日期和时间。例如，使用图像文件的元数据或数据库记录来存储这些信息，确保随后的分析能够考虑到胚胎发育的时序特征。
S203：将时序胚胎图像数据进行灰度图像转换，生成胚胎灰度图像数据；
本发明实施例中，使用图像处理软件(如OpenCV或MATLAB)将彩色胚胎图像转换成灰度图像。例如，可以应用标准的灰度转换算法，将每个像素的RGB值转换为单个灰度值。
S204：根据Canny边缘检测技术对胚胎灰度图像数据进行轮廓灰度值分析，生成轮廓灰度值数据；
本发明实施例中，利用Canny边缘检测算法对胚胎灰度图像进行处理，以识别胚胎的边缘。例如，设置适当的阈值来确定边缘检测的灵敏度，从而准确地描绘出胚胎轮廓的灰度变化。
S205：根据轮廓灰度值数据对胚胎灰度图像数据进行图像特征提取，生成胚胎特征图像数据；
本发明实施例中，基于轮廓灰度值数据，并利用图像处理技术，例如OpenCV库或MATLAB的图像处理技术以及自定义的图像分析脚本，来提取胚胎图像的关键特征，如提取胚胎图像的轮廓的长度、形状因子(如圆度、偏心率)，灰度值的统计数据(如平均灰度值、标准差)等，以生成胚胎特征图像数据。
S206：根据胚胎图像异常检测算法对胚胎特征图像数据进行异常得分计算，生成异常得分数据；
本发明实施例中，根据胚胎图像异常检测算法对胚胎特征图像数据进行异常得分计算，该异常检测算法会基于胚胎特征图像的对称性、完整性等进行计算，以评估胚胎图像数据与正常胚胎图像的偏离数值，比如，可以设置得分范围为0到1，得分越高表示图像越可能异常，以生成异常得分数据。
S207：根据异常得分数据对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据。
本发明实施例中，设定一个异常得分阈值，比如0.5。如果胚胎特征图像的异常得分超过这个阈值，则将其标记为异常并剔除；否则，将其视为有效胚胎图像数据，用于后续分析。
优选地，所述胚胎图像异常检测算法如下所示：
式中，P表示为胚胎特征图像数据对应的异常得分数据，N表示为不同周期下的胚胎特征图像，αi表示为第i个周期的周期权重信息，β表示为对称性偏差权重信息，e表示为自然常数，γi表示为第i个周期的胚胎振荡频率，t表示为周期长度，ωi表示为第i个周期的胚胎角频率偏差，φi表示为第i个周期的胚胎初始相位偏差，δ表示为形状偏差权重信息，Li表示为第i个周期的胚胎曲线长度，x表示为胚胎曲线长度对应的积分变量。
本发明利用胚胎图像异常检测算法对胚胎特征图像的对称性性、大小以及完整性等进行胚胎异常检测。该函数关系式能够处理不同周期下的胚胎特征图像数量，以提高对胚胎异常检测的全面性；αi反映了每个周期的重要性权重，如最新的周期权重相对更高；β用于考虑胚胎图像的对称性特征的重要性，δ用于考虑胚胎图像的形状特征的重要性，通过设定的权重均衡对称性以及形状的重要性；γi反映了胚胎图像在该第i个周期内的振荡频率；t用于描述胚胎图像的时间周期，如一小时；ωi反映了胚胎图像在该第i个周期内的角频率偏差，如与标准化比对样本的胚胎图像的角频率进行差值计算得出；φi反映了第i个周期的胚胎图像与对应的标准化比对样本的胚胎图像的初始相位偏差；Li反映了第i个周期的胚胎图像曲线的长度特征；x反映了胚胎曲线长度对应的积分变量，用于计算曲线的长度。反映了第i个周期的胚胎图像与对应的标准化比对样本的胚胎图像的对称性差异，通过将振荡函数与对称性偏差权重相乘，算法考虑了图像中的对称性特征，用于考虑胚胎图像的形状特征差异，如过大或过小可能造成异常数值更大，综合考虑了不同周期的胚胎特征图像的对称性和形状特征，通过权重加权振荡函数和积分项，能够精确地评估每个周期的异常得分，以此计算出能够评估胚胎图像是否存在异常的状况以得到胚胎特征图像数据对应的异常得分数据。
优选地，执行所述根据胚胎异常得分数据对胚胎特征图像数据进行异常胚胎图像剔除时，包括：
当异常得分数据大于预设的异常得分阈值时，则将异常得分数据对应的胚胎特征图像数据进行剔除；或者，当异常得分数据不大于预设的异常得分阈值时，则将异常得分数据对应的胚胎特征图像数据标记为有效胚胎图像数据。
本发明设定一个异常得分阈值。这个阈值是根据历史数据、专家知识或通过数据分析得出的，用于区分正常和异常的胚胎图像。当某个胚胎图像的异常得分超过了预设的阈值时，该图像被识别为异常胚胎图像，根据这个判断标准，系统会自动将这些图像从数据集中剔除，确保后续分析的准确性。与此同时，当胚胎图像的异常得分低于或等于预设阈值时，这表明该胚胎图像属于正常范围，因此被标记为有效胚胎图像数据，并保留在数据集中。
本发明实施例中，设定一个异常得分的阈值，用以区分正常和异常的胚胎图像。例如，设定阈值为0.5(在0到1的得分范围内)，意味着得分高于0.5的胚胎图像将被视为异常。将计算出的异常得分来评估每张胚胎图像。例如，假设对一批胚胎图像进行评分，得到的异常得分分布在0.3到0.7之间。对于每张胚胎图像，比较其异常得分与预设阈值。如果得分大于0.5，则认为此图像是异常的，并将其从数据集中剔除。例如，得分为0.6的胚胎图像将被剔除。相反，如果得分不大于0.5，则认为此图像是正常的，保留在数据集中，用于后续的分析。例如，得分为0.4的胚胎图像将被保留。
优选地，所述历史数据分析模块包括以下功能：
获取历史胚胎图像数据；
对历史胚胎图像数据进行灰度值转换，生成历史胚胎灰度图像数据；
对历史胚胎灰度图像数据进行灰度值变化数据分析，生成历史图像灰度值变化数据；
根据历史图像灰度值变化数据对历史胚胎灰度图像数据进行聚类分析，生成初始历史聚类胚胎图像数据；
根据预设的活跃程度标签对初始历史聚类胚胎图像数据进行活跃程度聚类标识，生成历史聚类胚胎图像数据。
本发明从IVF/ICSI过程的历史记录中收集胚胎图像数据，提供了对实时数据进行分析及预测的数据基础。将收集到的历史胚胎图像数据转换为灰度图像，简化了图像的复杂性，使得后续的分析更加专注于图像的灰度变化，这对于识别胚胎发育的关键特征非常重要。分析胚胎灰度图像数据中的灰度值变化，生成历史图像灰度值变化数据，能够揭示胚胎图像随时间的变化规律，对于理解胚胎发育过程至关重要。基于灰度值变化数据，对历史胚胎灰度图像数据进行聚类分析，通过识别相似的发育模式，将胚胎图像分为不同的类别或群组。根据预设的活跃程度标签对初始历史聚类胚胎图像数据进行再次分类和标识，以便更准确地识别和标记高活跃度和低活跃度的胚胎。
作为本发明的一个实例，参考图3所示，为图1中历史数据分析模块的功能流程示意图，在本实例中所述历史数据分析模块的功能包括：
S301：获取历史胚胎图像数据；
本发明实施例中，与多个IVF/ICS技术相关的医疗中心合作，收集过去几年中不同发育阶段的胚胎图像数据。这些数据可能包括不同品质的胚胎，从优质到低质，以及不同胚胎发育日的图像，从而获取历史胚胎图像数据。
S302：对历史胚胎图像数据进行灰度值转换，生成历史胚胎灰度图像数据；
本发明实施例中，利用图像处理软件(如OpenCV或MATLAB)将收集到的彩色胚胎图像转换为灰度图像，应用标准的RGB到灰度的转换算法，如加权平均法，0.299*R+0.587*G+0.114*B，其中R、G和B分别是红色、绿色和蓝色分量的值，简化后续的图像分析流程，生成历史胚胎灰度图像数据。
S303：对历史胚胎灰度图像数据进行灰度值变化数据分析，生成历史图像灰度值变化数据；
本发明实施例中，对转换后的胚胎灰度图像进行灰度值变化分析。使用图像处理技术提取每张图像的灰度直方图，分析灰度分布和变化趋势，以量化胚胎的发育特征，生成历史图像灰度值变化数据。
S304：根据历史图像灰度值变化数据对历史胚胎灰度图像数据进行聚类分析，生成初始历史聚类胚胎图像数据；
本发明实施例中，选择适合的聚类算法进行数据分析，例如K-means聚类。这是一种广泛应用的算法，适用于将数据分为预定义数量的类别。例如，可以设定将图像分为三个类别：低、中、高灰度变化，使用诸如Python中的scikit-learn库实现K-means聚类算法。输入是历史图像灰度值变化数据，算法会根据这些数据的相似性将图像分配到不同的类别中。例如，设置算法迭代次数为100次，以获得每个历史胚胎灰度图像数据对应的聚类中心，生成初始历史聚类胚胎图像数据。
S305：根据预设的活跃程度标签对初始历史聚类胚胎图像数据进行活跃程度聚类标识，生成历史聚类胚胎图像数据。
本发明实施例中，定义一组活跃程度标签，如“高活跃”、“中等活跃”和“低活跃”。这些标签可以根据胚胎发育的特定特征和历史成功率数据来设定。例如，可以根据胚胎发育速度、形态特征等参数来定义这些标签。分析初始历史聚类胚胎图像数据每个类别中胚胎图像的共同特征。例如，可以对每个类别的图像进行进一步的统计分析，如计算每个类别中胚胎图像的平均灰度值变化、形态特征等。根据分析结果，将预设的活跃程度标签应用于每个聚类类别。例如，如果发现某个类别的胚胎图像通常显示出较快的发育速度和更清晰的轮廓，可以将这个类别标记为“高活跃”。相应地，其他类别可以根据它们的特征被标记为“中等活跃”或“低活跃”，为每张胚胎图像分配相应的活跃程度标签，生成历史聚类胚胎图像数据。
优选地，所述预测模型建立模块包括以下功能：
基于卷积神经网络算法建立胚胎图像活跃程度预测的映射关系，生成初始活跃程度预测模型；
将历史聚类胚胎图像数据的图像数据作为输入数据以及历史聚类胚胎图像数据的活跃程度标签作为输出数据设计模型训练样本；
将模型训练样本传输至初始活跃程度预测模型进行模型训练，生成活跃程度预测模型；
利用随机梯度算法对活跃程度预测模型的损失函数进行模型的优化超参数分析，生成优化超参数；
根据优化超参数对活跃程度预测模型进行模型超参数优化调节，生成优化活跃程度预测模型。
本发明利用卷积神经网络(CNN)算法根据历史聚类胚胎图像数据构建胚胎活跃程度的映射关系，提供能够从图像特征预测胚胎活跃程度的模型的基础，CNN在处理图像数据方面表现出色，特别适合于识别和学习图像中的复杂模式和特征。将历史聚类胚胎图像数据的图像作为输入，活跃程度标签作为输出，设计模型训练样本，确保了模型训练过程中使用的数据既具有代表性又与实际应用场景紧密相关，并且提供了数据预测方向的依据。使用设计好的训练样本对初始活跃程度预测模型进行训练，通过调整模型参数，使模型能够准确地从图像数据预测胚胎的活跃程度。应用随机梯度下降算法优化模型的损失函数，进行超参数分析，通过优化算法调整模型，以减少预测误差，提高模型的准确性和泛化能力。根据优化得到的超参数对活跃程度预测模型进行进一步的调整和优化，确保模型在实际应用中能够达到最佳的预测性能。
作为本发明的一个实例，参考图4所示，为图1中预测模型建立模块的功能流程示意图，在本实例中所述预测模型建立模块的功能包括：
S401：基于卷积神经网络算法建立胚胎图像活跃程度预测的映射关系，生成初始活跃程度预测模型；
本发明实施例中，选择一个适合于图像识别的CNN架构，例如AlexNet或ResNet。这些架构已经在图像处理领域表现出色，能够有效地识别和提取图像特征。例如，选择ResNet-50，它有50层深，能够捕捉复杂的图像特征。根据胚胎图像的特点调整CNN模型的参数。例如，设置输入层以接受特定大小的图像(如224x224像素)，选择适当数量的卷积层和过滤器来捕捉图像中的细节。为了防止过拟合，可以在全连接层之前添加dropout层。输出层设计为与活跃程度类别数量相对应的神经元数(假设有三个类别：高、中、低活跃程度)。使用softmax函数作为激活函数，将网络输出转换为概率分布，损失函数可以选择交叉熵损失函数，以构建初始活跃程度预测模型。
S402：将历史聚类胚胎图像数据的图像数据作为输入数据以及历史聚类胚胎图像数据的活跃程度标签作为输出数据设计模型训练样本；
本发明实施例中，从之前的历史数据分析模块中获取已分类的胚胎图像数据。这些图像已被分为不同的活跃程度类别，如“高活跃”、“中等活跃”和“低活跃”。首先，对这些图像进行预处理，以确保它们符合CNN模型的输入要求。例如，将所有图像调整至统一的大小(如224x224像素)，并进行归一化处理，使像素值范围在0到1之间。将每张胚胎图像的活跃程度类别转换为可以用于模型训练的格式。例如，可以使用独热编码(one-hotencoding)表示每个类别，其中“高活跃”可能被编码为[1,0,0]，“中等活跃”为[0,1,0]，“低活跃”为[0,0,1]，也可识别更多更细滑标签，取决于定义的活跃程度标签。结合预处理后的图像数据和相应的独热编码标签，创建一组用于模型训练的样本，确保每个活跃程度类别的图像都被均衡地包含在训练样本中，以避免模型训练时的偏差，将准备好的样本随机划分为训练集和验证集。例如，可以将80％的样本用作训练集，用于模型的学习和优化，而剩余的20％用作验证集，用于评估模型的性能和泛化能力，以得到模型训练样本。
S403：将模型训练样本传输至初始活跃程度预测模型进行模型训练，生成活跃程度预测模型；
本发明实施例中，初始化所选择的卷积神经网络(CNN)模型，例如ResNet-50。这个模型已经被广泛用于图像识别任务，并已证明其有效性。初始化时，可以采用预训练的权重作为起点，以加速训练过程并提高模型的性能。使用模型训练样本，包括经过预处理的胚胎图像数据和对应的活跃程度标签。确保样本涵盖了不同活跃程度类别的足够多的图像，以保证模型训练的全面性。将训练样本输入到CNN模型中进行训练。设置适当的超参数，例如学习率为0.001，批量大小为32，训练轮数(epoch)为50轮，用交叉熵损失函数来指导训练过程，以调整模型的参数信息，在训练过程中，定期在验证集上评估模型的性能。监控指标如准确率和损失值，以确保模型正向学习。如果在验证集上的性能不佳或出现过拟合现象，可以调整超参数或增加正则化技术，如dropout或权重衰减，生成活跃程度预测模型。
S404：利用随机梯度算法对活跃程度预测模型的损失函数进行模型的优化超参数分析，生成优化超参数；
本发明实施例中，该功能与模型训练同步进行，分析每个模型训周期的超参数，选择随机梯度下降(SGD)或其变体(如Adam或RMSprop)作为优化算法。这些算法在处理大规模数据集和深度学习模型时表现良好。例如，可以选择Adam优化器，因为它结合了SGD的优点和自适应学习率的特性。为优化算法设置初始超参数。例如，初始学习率设置为0.001，批量大小为32，权重衰减(L2正则化)参数为0.0001。使用训练集数据训练模型，并在验证集上评估模型性能，观察不同超参数下模型的表现，如准确率和损失值。例如，可以尝试不同的学习率(如0.0001,0.001,0.01)和不同的批量大小(如16,32,64)，以查看哪些参数组合能够提供最好的验证集性能。根据验证集上的性能反馈调整超参数，如果发现模型在训练集上表现良好但在验证集上性能不佳，可能存在过拟合，此时可以减小学习率或增加权重衰减参数，反之，如果模型在两个集合上都表现不佳，可能需要增加学习率或减小批量大小。经过多次迭代和调整后，得到一组优化的超参数。例如，找到了最佳学习率为0.0005，批量大小为32的参数组合，这组参数在验证集上能够达到最高的准确率同时保持损失最低，以生成优化超参数。
S405：根据优化超参数对活跃程度预测模型进行模型超参数优化调节，生成优化活跃程度预测模型。
本发明实施例中，根据优化超参数，调整卷积神经网络模型的设置。假设最佳学习率被确定为0.0005，批量大小为32，且发现增加一些dropout可以帮助减少过拟合。在模型的相应层中应用这些参数，例如，在每个卷积层后增加dropout比例为0.5的层。使用优化后的超参数设置重新训练模型，继续使用交叉熵损失函数和Adam优化器，按照新的学习率和批量大小进行，监控训练过程中的准确率和损失值，以确保模型正向优化。在训练过程中定期使用验证集评估模型性能，如果模型在验证集上的表现仍有提升空间，可以进一步调整超参数，如微调学习率或修改网络层的配置，在达到满意的验证集性能后，完成模型训练，此时所得模型即为优化活跃程度预测模型。
优选地，所述胚胎活跃程度分析模块包括以下功能：
将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成初始胚胎活跃程度数据；
对初始胚胎活跃程度数据进行归一化处理，生成胚胎活跃程度数据；
根据预设的时序性权重数据对不同时间戳下的胚胎活跃程度数据进行权重分配，生成加权胚胎活跃程度数据；
根据加权胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据。
本发明将筛选后的有效胚胎图像数据输入到胚胎活跃分析模型进行活跃程度的分析，模型根据图像的特征，如纹理、形状等，预测胚胎的活跃程度，生成初始的胚胎活跃程度数据。对初始胚胎活跃程度数据进行归一化处理，以确保数据在相同的尺度上，方便后续的分析和比较。根据预设的时序性权重数据对不同时间戳下的胚胎活跃程度数据进行权重分配，考虑了胚胎发育过程中不同时间点的重要性，从而更准确地反映胚胎的整体活跃程度。基于加权处理后的胚胎活跃程度数据进行综合得分的计算，对每个胚胎发育潜力的量化评估，可用于辅助选择最佳胚胎。
作为本发明的一个实例，参考图5所示，为图1中胚胎活跃程度分析模块的功能流程示意图，在本实例中所述胚胎活跃程度分析模块的功能包括：
S501：将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成初始胚胎活跃程度数据；
本发明实施例中，将这些图像数据输入到之前训练好的活跃程度预测模型(如基于卷积神经网络的模型)中，模型会为每组胚胎图像生成不同时间序列下对应的活跃程度评分，以得到初始胚胎活跃程度数据。
S502：对初始胚胎活跃程度数据进行归一化处理，生成胚胎活跃程度数据；
本发明实施例中，对初始胚胎活跃程度数据中对应的活跃程度评分进行归一化处理，将所有评分调整到0到1的范围内，生成胚胎活跃程度数据。
S503：根据预设的时序性权重数据对不同时间戳下的胚胎活跃程度数据进行权重分配，生成加权胚胎活跃程度数据；
本发明实施例中，根据胚胎发育的不同阶段对活跃程度评分应用不同的权重。例如，可以给予受精后第五天的图像更高的权重，因为这一天的胚胎发育状况对成功植入尤为关键，权重可以根据历史数据进行设定，生成加权胚胎活跃程度数据。
S504：根据加权胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据。
本发明实施例中，结合归一化后的评分和时序性权重，为每个胚胎计算一个综合的活跃程度得分，例如利用加权平均方法，根据每个时间点的评分和相应的权重计算最终得分，以生成胚胎活跃程度得分数据。
优选地，所述IVF/ICSI优选胚胎标记模块在执行所述根据胚胎活跃程度得分数据对有效胚胎图像数据进行IVF/ICSI技术的优选胚胎图像标记时，包括：
当胚胎活跃程度得分数据不小于预设的活跃程度阈值时，则将胚胎活跃程度得分数据对应的有效胚胎图像数据标记为IVF/ICSI优选胚胎图像数据；或者，当胚胎活跃程度得分数据小于预设的活跃程度阈值时，则将胚胎活跃程度得分数据对应的有效胚胎图像数据进行剔除。
本发明设定一个活跃程度得分的阈值。这个阈值是根据临床经验、历史数据分析或其他相关研究确定的，用于区分高活跃程度和低活跃程度的胚胎。当某个胚胎的活跃程度得分不小于预设阈值时，该胚胎被认为是活跃且发育潜力较高的，因此其对应的有效胚胎图像数据被标记为IVF/ICSI的优选胚胎，确保了选择的胚胎具有较高的成功植入潜力。相反，当胚胎的活跃程度得分低于预设的阈值时，表明该胚胎的活跃程度较低，其成功植入的可能性相对较小，这些胚胎的图像数据将被从优选列表中剔除。
本发明实施例中，设定一个活跃程度得分的阈值，用于筛选出具备实现IVF/ICSI更高成功率的胚胎数据集，例如，可以设定阈值为0.6(在0到1的得分范围内)，意味着得分高于或等于0.6的胚胎被视为具有较高的活跃程度和潜在的成功植入概率。利用胚胎活跃程度分析模块提供的得分数据，对每个胚胎图像进行评估。例如，如果某个胚胎图像的活跃程度得分为0.65，超过了设定的阈值，那么这个胚胎图像将被标记为优选。为所有活跃程度得分超过阈值的胚胎图像添加优选标记，通过在数据库中添加一个“优选”标签或将这些图像移动到专门的“优选”文件夹来实现。对于那些活跃程度得分低于阈值的胚胎图像，可以选择将它们从考虑范围内剔除，或者在数据库中标记为“非优选”，以备后续分析或参考。
本说明书中提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述中所述的基于机器学习的IVF/ICSI预处理方案优化系统。
本说明书中提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述中所述的基于机器学习的IVF/ICSI预处理方案优化系统。
本申请有益效果在于，本发明的基于机器学习的IVF/ICSI预处理方案优化系统通过自动化图像分析和机器学习模型，可以更客观、准确地评估胚胎的质量，降低胚胎选取到主观性。并且，通过对胚胎图像数据进行异常检测和活跃度分析，从而提高整个IVF/ICSI过程的成功率。此外，通过模型的学习与优化，这种技术可以随着时间和更多数据的积累而不断进步，进一步提高胚胎筛选的精度，保障胚胎选择的准确性和一致性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，包括：
胚胎图像数据采集模块，用于获取IVF/ICSI技术的胚胎图像数据；对胚胎图像数据进行图像特征分析处理，生成胚胎特征图像数据；对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据；
历史数据分析模块，用于获取历史胚胎图像数据；对历史胚胎图像数据进行活跃程度聚类分析，生成历史聚类胚胎图像数据；
预测模型建立模块，用于基于卷积神经网络算法以及历史聚类胚胎图像数据进行胚胎活跃程度的数学关系模型建立，生成优化活跃程度预测模型；
胚胎活跃程度分析模块，用于将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成胚胎活跃程度数据；根据胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据；
IVF/ICSI优选胚胎标记模块，用于根据胚胎活跃程度得分数据对有效胚胎图像数据进行IVF/ICSI技术的优选胚胎图像标记，生成IVF/ICSI优选胚胎图像数据。
2.根据权利要求1所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述胚胎图像数据采集模块包括以下功能：
获取IVF/ICSI技术的胚胎图像数据；
为胚胎图像数据添加时间戳，以获得时序胚胎图像数据；
将时序胚胎图像数据进行灰度图像转换，生成胚胎灰度图像数据；
根据Canny边缘检测技术对胚胎灰度图像数据进行轮廓灰度值分析，生成轮廓灰度值数据；
根据轮廓灰度值数据对胚胎灰度图像数据进行图像特征提取，生成胚胎特征图像数据；
根据胚胎图像异常检测算法对胚胎特征图像数据进行异常得分计算，生成异常得分数据；
根据异常得分数据对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据。
3.根据权利要求2所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述胚胎图像异常检测算法如下所示：
式中，P表示为胚胎特征图像数据对应的异常得分数据，N表示为不同周期下的胚胎特征图像，αi表示为第i个周期的周期权重信息，β表示为对称性偏差权重信息，e表示为自然常数，γi表示为第i个周期的胚胎振荡频率，t表示为周期长度，ωi表示为第i个周期的胚胎角频率偏差，φi表示为第i个周期的胚胎初始相位偏差，δ表示为形状偏差权重信息，Li表示为第i个周期的胚胎曲线长度，x表示为胚胎曲线长度对应的积分变量。
4.根据权利要求2所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，执行所述根据胚胎异常得分数据对胚胎特征图像数据进行异常胚胎图像剔除时，包括：
当异常得分数据大于预设的异常得分阈值时，则将异常得分数据对应的胚胎特征图像数据进行剔除；或者，当异常得分数据不大于预设的异常得分阈值时，则将异常得分数据对应的胚胎特征图像数据标记为有效胚胎图像数据。
5.根据权利要求1所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述历史数据分析模块包括以下功能：
获取历史胚胎图像数据；
对历史胚胎图像数据进行灰度值转换，生成历史胚胎灰度图像数据；
对历史胚胎灰度图像数据进行灰度值变化数据分析，生成历史图像灰度值变化数据；
根据历史图像灰度值变化数据对历史胚胎灰度图像数据进行聚类分析，生成初始历史聚类胚胎图像数据；
根据预设的活跃程度标签对初始历史聚类胚胎图像数据进行活跃程度聚类标识，生成历史聚类胚胎图像数据。
6.根据权利要求1所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述预测模型建立模块包括以下功能：
基于卷积神经网络算法建立胚胎图像活跃程度预测的映射关系，生成初始活跃程度预测模型；
将历史聚类胚胎图像数据的图像数据作为输入数据以及历史聚类胚胎图像数据的活跃程度标签作为输出数据设计模型训练样本；
将模型训练样本传输至初始活跃程度预测模型进行模型训练，生成活跃程度预测模型；
利用随机梯度算法对活跃程度预测模型的损失函数进行模型的优化超参数分析，生成优化超参数；
根据优化超参数对活跃程度预测模型进行模型超参数优化调节，生成优化活跃程度预测模型。
7.根据权利要求1所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述胚胎活跃程度分析模块包括以下功能：
将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成初始胚胎活跃程度数据；
对初始胚胎活跃程度数据进行归一化处理，生成胚胎活跃程度数据；
根据预设的时序性权重数据对不同时间戳下的胚胎活跃程度数据进行权重分配，生成加权胚胎活跃程度数据；
根据加权胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据。
8.根据权利要求1所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述IVF/ICSI优选胚胎标记模块在执行所述根据胚胎活跃程度得分数据对有效胚胎图像数据进行IVF/ICSI技术的优选胚胎图像标记时，包括：
当胚胎活跃程度得分数据不小于预设的活跃程度阈值时，则将胚胎活跃程度得分数据对应的有效胚胎图像数据标记为IVF/ICSI优选胚胎图像数据；或者，当胚胎活跃程度得分数据小于预设的活跃程度阈值时，则将胚胎活跃程度得分数据对应的有效胚胎图像数据进行剔除。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的基于机器学习的IVF/ICSI预处理方案优化系统。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的基于机器学习的IVF/ICSI预处理方案优化系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096525.3A CN117995417A (zh) | 2024-01-23 | 2024-01-23 | 基于机器学习的ivf/icsi预处理方案优化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096525.3A CN117995417A (zh) | 2024-01-23 | 2024-01-23 | 基于机器学习的ivf/icsi预处理方案优化系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117995417A true CN117995417A (zh) | 2024-05-07 |
Family
ID=90898752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410096525.3A Pending CN117995417A (zh) | 2024-01-23 | 2024-01-23 | 基于机器学习的ivf/icsi预处理方案优化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117995417A (zh) |
-
2024
- 2024-01-23 CN CN202410096525.3A patent/CN117995417A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220198657A1 (en) | Method and system for selecting embryos | |
| Li et al. | Automatic detection of diabetic retinopathy in retinal fundus photographs based on deep learning algorithm | |
| US20220343178A1 (en) | Method and system for performing non-invasive genetic testing using an artificial intelligence (ai) model | |
| CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
| CN110021425B (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
| CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
| CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
| Silva-Rodríguez et al. | Predicting the success of blastocyst implantation from morphokinetic parameters estimated through CNNs and sum of absolute differences | |
| Senthilkumar et al. | An Effective Classification of Citrus Fruits Diseases using Adaptive Gamma Correction with Deep Learning Model | |
| Kale et al. | Analysis of Crop disease detection with SVM, KNN and Random forest classification | |
| Rethik et al. | Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer | |
| CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
| CN115984202A (zh) | 一种斑马鱼心血管功能智能识别与评价方法 | |
| CN117995417A (zh) | 基于机器学习的ivf/icsi预处理方案优化系统 | |
| Girdher et al. | Detecting and Estimating Severity of Leaf Spot Disease in Golden Pothos using Hybrid Deep Learning Approach | |
| Ram et al. | Classification of primary cilia in microscopy images using convolutional neural random forests | |
| CN113469129A (zh) | 一种基于卷积神经网络的小麦杂质图像检测方法 | |
| JP6329651B1 (ja) | 画像処理装置及び画像処理方法 | |
| EP3895060A1 (en) | Classification of cell nuclei | |
| Kaoungku et al. | Colorectal Cancer Histology Image Classification Using Stacked Ensembles | |
| Alhammad et al. | Efficient dnn-based classification of whole slide gram stain images for microbiology | |
| JP2018125019A (ja) | 画像処理装置及び画像処理方法 | |
| CN118135564A (zh) | 多模态融合提高术中3cm以下肺腺癌浸润性诊断方法 | |
| Azzahra et al. | MRI-Based Brain Tumor Classification Using Inception Resnet V2 | |
| Dhivya et al. | MACHINE LEARNING APPROACHES INCORPORATING EPCA AND ESVM FOR AUTOMATIC CLASSIFICATION OF PLANT LEAF DISEASE |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |